Distribuzioni di probabilità

La distribuzione binomiale
Variabili aleatorie (casuali) e distribuzioni di
probabilità
Una variabile aleatoria X è un applicazione che associa ad
ogni elemento dello spazio campionario (ad ogni possibile
esito dell’esperimento) un numero.

Essendo l’esperimento aleatorio, ciascun esito occorre con

una certa probabilità:
la distribuzione di una v.a. X è una funzione che associa ad
ogni possibile esito la sua probabilità di accadere.
La distribuzione di Bernoulli

Es.1 Lancio di una moneta.

X=«esito del lancio»
distribuzione: P(X=testa) = P(X=croce) = 0.5

In generale si dice che la v.a. X segue una distribuzione di

Bernoulli di parametro p
se X può assumere due soli valori (0/1 , fallimento/successo).
Il parametro p indica la probabilità di successo:
P(X=1) = p
P(X=0) = 1- p
L’esperimento binomiale

Si consideri n esperimenti di Bernoulli. In ciascuno si verifica

un successo (1) o un fallimento (0).
1. Definire lo spazio campionario. (tutti i possibili esiti)
2. Definire la probabilità di successo. (p)
3. Assumere che la probabilità di successo sia la stessa in
ciascun esperimento.

Definiamo la v.a. X=«numero di successi sulle n prove»

L’esperimento binomiale - esempio

Si consideri un esperimento su 4 soggetti (A,B,C,D). Su

ciascuno si misura la presenza (1) o assenza (0) di risposta a
seguito di un certo trattamento.
1. Definire lo spazio campionario (l’insieme di tutti i
possibili risultati dell’esperimento)
2. Assumere un valore per p (la probabilità di misurare una
risposta a seguito del trattamento)
3. Assumere indipendenza tra i soggetti pA= pB= pC= pD.
La probabilità di risposta al trattamento è la stessa per
tutti i soggetti.
Definiamo la v.a. X=«numero di risposte al trattamento»
L’esperimento binomiale - esempio

Definiamo la v.a. X=«numero di risposte al trattamento»

Calcolare la probabilità di osservare 2 successi sui 4 soggetti
trattati. P(X=2)=?

Abbiamo 4 soggetti (A,B,C,D), ciascuno di esso può

rispondere al trattamento (=1) oppure no (=0). Lo spazio
campionario è formato da tutti i possibili esiti:
(0,0,0,0) ; (1,0,0,0); (0,1,0,0) ; ……. ; (1,1,1,0) ; (1,1,1,1).
Quanti sono? 2x2x2x2= 16
L’esperimento binomiale - esempio

Queste 16 configurazioni non sono equiprobabili. Lo sono

soltanto se le raggruppiamo, in funzione del numero di
successi..
0 successi: (0,0,0,0)
1 successo: (1,0,0,0); (0,1,0,0); (0,0,1,0); (0,0,0,1)
2 successi: (1,1,0,0); (1,0,1,0); (1,0,0,1); (0,1,1,0); (0,1,0,1);
(0,0,1,1)
3 successi: (1,1,1,0); (0,1,1,1); (1,0,1,1); (1,1,0,1)
4 successi: (1,1,1,1)
Qual è la probabilità associata a ciascun elemento?
L’esperimento binomiale - esempio

Qual è la probabilità associata a ciascun elemento?

0 successi: (1-p)⁴
1 successo: p(1-p)³
2 successi: p²(1-p)²
3 successi: p³(1-p)
4 successi: p⁴
L’esperimento binomiale - esempio

Qual è la probabilità associata a ciascun elemento?

Quanti elementi appartengono a ciascuna classe?
0 successi: (1-p)⁴ 1
1 successo: p(1-p)³ 3
2 successi: p²(1-p)² 6
3 successi: p³(1-p) 3
4 successi: p⁴ 1
Calcolo combinatorio

Regola base: se A si dà in n modalità e B in m allora si

possono avere A e B in n x m modi distinti

• Permutazioni: n! = n·(n-1)·(n-2)·…·2·1 (fattoriale; 0!=1)

• Combinazioni: n·(n-1)·(n-2)·…·(n-r+1)

• Combinazioni distinte: n  (n  1)  n(n  2)  ...  (n  r  1) n!


r! (n  r )!r!
Distribuzione binomiale

• Spazio campionario: numero di successi (r) su “n” prove

• Gli eventi elementari sono equiprobabili

Pr | n, p   p 1  p 
n! r nr

n  r ! r!
Distribuzioni di probabilità binomiale.

p=0.5 p=0.3
var2
var1 .4

.3

.3

.2

.2

.1
.1

0 0 0 1 2 3 4 5
0 1 2 3 4 5
Valore atteso e varianza

• Sono parametri che caratterizzano una distribuzione di

probabilità.
Nel caso binomiale:
r n r n
E r    r  Pr    r   r 1   nr  n
n!
r 0 r 0 n  r !r!

 
V r   E r  E (r )   n    
2
• Il concetto di valore atteso è analogo al concetto fisico di
centro di gravità.
Si consideri una v.c. discreta X con d. di probabilità P(xi), i1.
Si immagini una sbarra senza peso alla quale sono applicati
dei pesi di massa P(xi), i1, ai punti xi, i1. Il punto di
bilanciamento della sbarra è definito centro di gravità e
sarà posizionato in corrispondenza di E(X).

-1 0 1 2
 
P  1  0.10 
P 0  0.25 
P 1  0.30 
P 2  0.35

 centrodi gravità  0.9

• Il concetto di varianza è analogo al concetto fisico di
momento di inerzia.

• La varianza rappresenta il grado di dispersione intorno al

valore atteso.

• Se l’unità di misura è importante, la radice quadrata della

varianza, deviazione standard, esprime la dispersione nella
stessa unità del valore atteso.

• Percentualmente, deviazione standard / valore atteso, è

indicato come coefficiente di variazione.
Distribuzione cumulativa

• Dagli assiomi del calcolo della probabilità abbiamo che:

r n
PS    Pr n,   
r 0
r n
 r 1   nr        n  1
n!

r 0 n  r !r!

• La distribuzione cumulativa è definita come:

i r
F R   PR  r n,      i 1   ni 
n!
i 0 n  i !i!
Distribuzioni cumulative binomiali per n=5

=0.5 =0.3
1 1

.8 .8

.6 .6

.4 .4

.2 .2

0 0
0 2 4 6 0 2 4 6
var3 var3
V.c. discrete e continue

• Il passaggio al continuo implica il ricorso all’operazione di

integrazione. La funzione di distribuzione di probabilità è la
distribuzione cumulativa, sui valori continui si parla solo di
densità di probabilità, la probabilità essendo l’area sottesa
alla curva.
 a
E  X    xpx dx P X  a   F  X    xpx dx
 

V X    x  E( x) pxdx
2


Distribuzione di Gauss

f ( x) 
1 
exp 
 x   
2

 -  x  
2   2 
2

.4

.3

.2

.1

0
-4 -2 0 2 4
gauss
Kernel Density Estimate
 1
massimo per x   ; f ( x)   0.399
2 


1   x   
2


 2 
exp 
 2 
 dx  1
D. Gaussiana standard o d. Normale

• E’ la d. tabulata, con parametri =0  =1

• Problema diretto: dati a,b trovare P(a<X<b)

• Problema inverso: data P(a<X<b) trovare a,b

x
z x    z

Approssimazione normale alla Binomiale

• Se Rn denota il numero di successi in n prove indipendenti

con probabilità , allora per ogni a<b e per n


 Rn  n 

Pa   b  b  a 

 n (1    


a
 x    
2 a

z2
a  
1 1

 2 
exp   
 2   2

e 2
r Coefficiente Probabilità =0.5 Prob. appr. Gaussiana
0 5
0 1 1  4
(1- ) 0.03125 0.03681913
1 5 2(1-)3 0.15625 0.14872755
2 10 3(1-)2 0.3125 0.31445331
3 10 4(1-)1 0.3125
4 5 5(1-)0 0.15625
5 1  (1-) 0.03125

0 10
0 1 1  9
(1- ) 0.00097656 0.00221326
1 10 2(1-)8 0.0097656 0.01121508
2 45  (1-) 0.04394531 0.04349481


 Rn  n 

Pa   b  b  a 

 n (1    
